[論文レビュー] Bridging the Gap Between Layout Pattern Sampling and Hotspot Detection via Batch Active Learning

Haoyu Yang, Shuhe Li+3 more|arXiv (Cornell University)|Jul 13, 2018

Advancements in Photolithography Techniques参考文献 26被引用数 5

ひとこと要約

本論文は、レイアウトパターンのサンプリングとホットスポット検出を同時に最適化するバッチアクティブラーニングフレームワークを提案する。これにより、リソグラフィー・シミュレーションのオーバーヘッドを80%削減しながら、ほぼ完璧に近い検出精度を維持する。繰り返し繰り返し、多様で不確実性の高いパターンをラベル付け対象として選択し、機械学習モデルを再訓練することで、従来手法に比べて必要な学習データの17%で最先端の性能を達成する。

ABSTRACT

Layout hotpot detection is one of the main steps in modern VLSI design. A typical hotspot detection flow is extremely time consuming due to the computationally expensive mask optimization and lithographic simulation. Recent researches try to facilitate the procedure with a reduced flow including feature extraction, training set generation and hotspot detection, where feature extraction methods and hotspot detection engines are deeply studied. However, the performance of hotspot detectors relies highly on the quality of reference layout libraries which are costly to obtain and usually predetermined or randomly sampled in previous works. In this paper, we propose an active learning-based layout pattern sampling and hotspot detection flow, which simultaneously optimizes the machine learning model and the training set that aims to achieve similar or better hotspot detection performance with much smaller number of training instances. Experimental results show that our proposed method can significantly reduce lithography simulation overhead while attaining satisfactory detection accuracy on designs under both DUV and EUV lithography technologies.

研究の動機と目的

• リソグラフィー・シミュレーションの広範な実行に起因するレイアウトホットスポット検出の高い計算コストに対処すること。
• レイアウトパターンのサンプリングとホットスポット検出の間のギャップを、両プロセスを同時に最適化することで埋めること。
• 検出精度を損なわずに必要なリソグラフィー・シミュレーションの回数を削減すること。
• アクティブラーニングにより多様で情報量の多い学習サンプルを保証することで、モデルの汎化性能を向上させること。
• サンプリングとモデル学習を併行して適応可能なスケーラブルでインタラクティブなフレームワークを構築すること。

提案手法

• 複数の高不確実性で多様なレイアウトパターンを一度に選択するバッチアクティブラーニングを用い、サンプリングの効率を向上させる。
• 不確実性サンプリング（US）と期待モデル変化（EMC）を用いて、ラベル付けに最も有益なサンプルを同定する。
• 事後確率のK-Lダイバージェンスを測定することで、多様性に配慮したサンプリングを導入し、過学習を回避する。
• 各バッチのラベル付きサンプルの後で機械学習モデルを再訓練するインタラクティブなループを維持する。
• 不確実性と多様性を組み合わせたハイブリッド戦略を採用し、モデルの信頼性と汎化性能のバランスを取る。
• 選択されたクリップから得られる代表的なパターンライブラリを用いて、ホットスポット検出のための機械学習モデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 バッチアクティブラーニングは、高精度を維持したまま、レイアウトホットスポット検出におけるリソグラフィー・シミュレーションの回数を削減できるか？
• RQ2 サンプリングとモデルトレーニングの共同最適化は、逐次的手法と比較して検出性能をどのように向上させるか？
• RQ3 多様性に配慮したサンプリングは、ホットスポット検出モデルにおける過学習をどの程度防止できるか？
• RQ4 正確なパターンマッチングと曖昧なパターンマッチングと比較して、本手法の精度とシミュレーションコストはどのように異なるか？
• RQ5 限られたラベル付きデータで、異なるリソグラフィー技術（DUVおよびEUV）にわたって一般化できるか？

主な発見

• 提案手法は、ICCADベンチマークで全レイアウトクリップの17%しかラベル付けを行わず、平均98.91%の検出精度を達成した。
• 正確なパターンマッチング（95%以上のクリップをラベル付けを要する）と比較して、リソグラフィー・シミュレーションのオーバーヘッドを80%以上削減した。
• 挑戦的であるICCAD16-4テストケースでは、曖昧マッチング手法は50%未満の精度に留まるが、本手法は最小限のラベル付けで高い精度を維持した。
• 周波数ドメインクラスタリングおよびグリーディーサンプリング手法は顕著に低い性能を示し、特にグリーディーサンプリングは平均50.12%の精度にとどまった。
• 複雑なデザインにおいても、最先端のパターンマッチングツール（例：PM_exact）を上回る精度と効率を発揮した。
• 本フレームワークは、DUVおよびEUVリソグラフィー技術にわたり、限られた学習データでも強力な汎化性能を示した。